Przewodnik po słownikach wymowy: popraw wymowę każdego słowa w TTS w Eleven v4

Eleven v4 wyznacza nowy standard wymowy w modelach Text to Speech — trafniej niż jakikolwiek wcześniejszy model radzi sobie ze skrótami, terminami technicznymi, nazwami i tekstem w wielu językach. Każda marka ma jednak własne słownictwo — od unikalnych nazw produktów po branżowy żargon — dlatego warto mieć pełną kontrolę nad tym, jak brzmią te słowa.

Eleven v4 oferuje wiele sposobów na poprawę wymowy, dając ci precyzyjną kontrolę nad tym, jak mówi model. Możesz utworzyć rozbudowany słownik wymowy, który działa we wszystkich skryptach pisanych w aplikacji TTS. Możesz też wpisać IPA bezpośrednio w tekście, by szybko poprawić pojedynczy przypadek. 

Oto krótki przykład, jak Eleven v4 radzi sobie ze skryptem pełnym trudnych terminów:

Ten przewodnik pokazuje, jak utworzyć i używać słownika wymowy TTS oraz innych metod, dzięki którym audio zabrzmi możliwie najbliżej twojej wizji. 

Podsumowanie

• Słownik wymowy to zestaw reguł, które tworzysz, aby wskazać modelowi Text to Speech, jak wymawiać określone słowa lub frazy.
• Reguły wymowy TTS mogą być oparte na aliasach, które podmieniają tekst, albo na fonemach, które wykorzystują zapis fonetyczny.
• Eleven v4 obsługuje reguły fonemowe oraz IPA w tekście (międzynarodowy alfabet fonetyczny).
• Tagi fonemów i przerw SSML nie działają w Eleven v4, ale możesz użyć słownika wymowy lub Audio Tags jako alternatywy w języku naturalnym.
• Przez ElevenAPI możesz zastosować maksymalnie trzy słowniki wymowy na żądanie.

Czym jest słownik wymowy?

Słownik wymowy to narzędzie, które pozwala dokładnie określić, jak model zamiany tekstu na mowę ma wymawiać dane słowa. Dodając słowa lub frazy do słownika wymowy, ustalasz, jak będą brzmiały za każdym razem, gdy pojawią się w skrypcie TTS. 

Słowniki wymowy są zwykle używane do:

• Nazw marek: Nazwy marek często trafiają do słowników wymowy, zwłaszcza gdy mają unikalną lub nietypową pisownię.
• Akronimów: Niektóre akronimy należy wymawiać w określony sposób. Na przykład AEO powinno brzmieć jak /ˌeɪ.iːˈoʊ/ ("A-E-O"), a nie /eɪˈjoʊ/ ("ay-yo"). Stała reguła w słowniku zapewni poprawną wymowę za każdym razem.
• Nazw miejsc i innych nazw własnych: Niektóre nazwy miejsc mogą brzmieć zupełnie inaczej, niż sugeruje ich zapis. Słynny przykład to Worcestershire — przewodnik wymowy może pomóc uniknąć problemów.
• Terminów branżowych: Branżowy żargon lub specjalistyczne terminy, na przykład z medycyny czy prawa, mogą wymagać słownika wymowy, jeśli model nie był wyraźnie trenowany na danych z tych dziedzin. 

Poza zamianą tekstu na mowę słowniki wymowy to zwykle tworzone społecznościowo zbiory klipów audio od rodzimych użytkowników języka, których osoby uczące się słuchają, aby poznać wymowę słów.

Jak kontrolować wymowę TTS w Eleven v4

Eleven v4 jest najwyżej ocenianym pod względem jakości modelem Text to Speech według Provider Voice Arena od Artificial Analysis.¹ Jednym z powodów, dla których Eleven v4 jest liderem rynku, jest zdolność modelu do obsługi złożonych tekstów przy zachowaniu naturalnego brzmienia rezultatu. 

Aby zapewnić użytkownikom jak najlepsze doświadczenie z Eleven v4, model oferuje różne sposoby dostosowania wymowy i pomaga zadbać o zgodność każdego rezultatu z twoimi standardami dokładności. 

Oto jak kontrolować wymowę w Eleven v4:

• IPA w tekście: Możesz wpisać IPA w skrypcie między ukośnikami, aby sterować wymową bez używania słownika wymowy. Za chwilę wyjaśnimy, jak to zrobić.
• Reguły fonemowe w słownikach: Dodaj do słowników wymowy reguły oparte na fonemach, aby kontrolować fonetyczne brzmienie powtarzających się słów.
• Płynna wymowa w różnych językach: Eleven v4 może tworzyć naturalnie brzmiącą mowę w ponad 90 językach. Zachowaj rodzimą wymowę w każdym języku, używając tego samego głosu dla spójnego brandingu dźwiękowego.

Tak różne modele TTS ElevenLabs wypadają pod względem kontroli wymowy:

Czym różnią się reguły aliasów i fonemów w słowniku wymowy?

Reguły wymowy oparte na aliasach zastępują fragment tekstu innym, zanim model wypowie słowo. Dzieje się to w tle podczas generowania audio przez model — brzmienie słowa lub frazy zostaje zastąpione tym, co umieścisz w słowniku wymowy. 

Oto przykłady reguł wymowy opartych na aliasach:

• „SaaS” zmienia się w „sass”
• „UN” zmienia się w „United Nations”
• „OAuth” zmienia się w „oh auth”

Z kolei reguły fonemowe podają modelowi dokładny zapis fonetyczny do użycia. Trudniej je utworzyć, ponieważ musisz samodzielnie zapisać lub wygenerować transkrypcję IPA, a następnie wprowadzić ją do słownika. Na przykład „Kubernetes” zmienia się w /ˌkuː.bərˈnɛt.iːz/.

Jak poprawić wymowę nazwy marki w modelu TTS

Nazwy marek to jeden z najczęstszych wpisów w słownikach wymowy, ponieważ nie zawsze są prawdziwymi słowami. Jeśli twoja firma wymyśliła słowo lub unikalną pisownię marki, modele TTS mogą mieć problem z poprawną wymową, ponieważ dostępnych danych treningowych z taką wymową jest bardzo mało.

Oto jak poprawić wymowę nazwy marki w Eleven v4:

1. Sprawdź domyślne brzmienie: Otwórz aplikację Text to Speech i wpisz nazwę swojej marki. Wygeneruj klip i posłuchaj, jak brzmi. Jeśli wymowa jest błędna, przejdź do następnego kroku. 
2. Wypróbuj regułę aliasu: Najłatwiejszy sposób na poprawienie wymowy marki to utworzenie reguły aliasu. Szybko się ją tworzy i jest intuicyjna.
3. Przejdź na regułę fonemową: Jeśli reguła aliasu nie działa wystarczająco dobrze, użyj IPA. Zapisz nazwę marki w IPA, a potem utwórz regułę w słowniku wymowy Text to Speech, aby poprawić jej wymowę.
4. Uwzględnij każdą wielkość liter: Jeśli używasz obu wersji, dodaj transkrypcję IPA zarówno dla nazwy marki zapisanej małymi, jak i wielkimi literami.
5. Użyj IPA w tekście do jednorazowych zmian: Jeśli potrzebujesz szybkiej poprawki tylko w pojedynczym generowaniu, po prostu dodaj IPA bezpośrednio do skryptu zamiast konfigurować wpis w słowniku.

Gdy utworzysz regułę dla nazwy marki, będzie ona dostępna we wszystkich współdzielonych projektach — zarówno w twoim agencie AI, jak i przez API.

Jak utworzyć słownik wymowy w ElevenLabs

Słownik wymowy możesz utworzyć, dodając reguły w aplikacji Text to Speech, przesyłając plik .pls lub przez ElevenAPI. W tym przewodniku omówimy pierwszą opcję, która wymaga tylko kilku kroków.

Aby utworzyć słownik wymowy, wykonaj te kroki:

1. Otwórz panel słowników wymowy: Na stronie Text to Speech kliknij pasek wyszukiwania u góry, wpisz „Pronunciation dictionary” i w sekcji Actions wybierz Pronunciation dictionaries.
2. Utwórz lub wybierz słownik: Kliknij New, aby utworzyć nowy słownik, albo wybierz istniejący z listy po lewej. 
3. Dodaj regułę: Kliknij Add rule, aby utworzyć nowy wiersz. Wpisz słowo, które chcesz poprawić. W polu Input wpisz słowo lub frazę dokładnie tak, jak występuje w skryptach. Reguły rozróżniają wielkość liter, więc użyj takiej samej pisowni. 
4. Wybierz typ reguły: Wybierz Alias, aby podmienić tekst, albo Phoneme, aby wprowadzić zapis IPA lub CMU. 
5. Wpisz zamiennik: W polu Output wpisz alias lub zapis fonetyczny. Użyj selektora głosu u góry panelu, aby odsłuchać regułę głosem, z którym pracujesz. 
6. Zapisz zmiany: Kliknij Save changes na dole panelu.

Aby dołączyć przewodnik wymowy do agenta lub zastosować go przez API, skorzystaj z naszej dokumentacji słowników wymowy.

Jak używać IPA w zamianie tekstu na mowę w Eleven v4

W przypadku drobnych zmian lub rzadkich słów nie musisz tworzyć nowego wpisu w słowniku wymowy TTS, aby poprawić błąd. Zamiast tego możesz użyć IPA w tekście, by dokładnie określić, jak model ma wymawiać dane słowo.

W Eleven v4 możesz włączyć IPA w tekście za pomocą ukośników. Podobnie jak Audio Tags, dodajesz je bezpośrednio do skryptu, aby maksymalnie uprościć pracę. Oto kilka przykładów IPA w Eleven v4:

• Terminy techniczne: Termin "/ˌbaɪoʊˈkemɪstri/" odnosi się do nauki o procesach chemicznych. 
• Słownictwo medyczne: "/ɡluːˈkoʊs/" i "/ˈɪnsjəlɪn/" są powszechnie używane w leczeniu schorzeń takich jak "/ˌdaɪəˈbiːtiːz/". 
• Nazwy marek i produktów: Nasze serwery działają na "/ˌɛndʒɪnˈɛks/", aby obsłużyć nagłe wzrosty ruchu.

Na marginesie: jeśli nie masz wykształcenia językoznawczego, konwerter IPA pomoże ci uzyskać właściwy zapis IPA do wklejenia w skrypcie na podstawie tekstu w języku naturalnym.

Dlaczego tagi fonemów SSML nie działają w Eleven v4

Eleven v4 nie obsługuje SSML, lecz oferuje bardziej elastyczne funkcje, takie jak Audio Tags i słowniki wymowy, które dają większą kontrolę nad końcową produkcją audio. 

Każda funkcja SSML ma bezpośredni odpowiednik w v4:

Zacznij korzystać z naturalnej wymowy zamiany tekstu na mowę w Eleven v4

Dzięki narzędziom, które pomagają zwiększyć dokładność wymowy w Eleven v4, możesz pisać szczegółowe skrypty i uzyskać interpretację zgodną z twoją wizją.

Twórz słowniki wymowy w aplikacji ElevenLabs Text to Speech i stosuj je na dużą skalę z ElevenAPI. 

Zarejestruj się, aby zacząć, lub dowiedz się więcej o Eleven v4 już dziś.

FAQ

1. ^{Artificial Analysis, Provider Voice Arena Preference Elo, 30 września 2026}